DOI: 10.7256/2454-0714.2023.4.68876

Аннотация: Предметом исследования является логический подход к анализу данных и разработка программного инструментария, способного определять скрытые закономерности, даже с ограниченным количеством данных. Входные данные состоят из показателей диагностики пациентов, их диагнозов и опыта врачей, полученного в ходе медицинской практики. Метод исследования – разработка программного инструментария на основе систем многозначной логики предикатов для анализа данных пациентов. Данный подход рассматривает исходные данные как набор общих правил, среди которых можно выделить те правила, которые достаточны для объяснения всех наблюдаемых данных. Эти правила, в свою очередь, являются генеративными для рассматриваемой области и помогают лучше понять природу изучаемых объектов. Новизна исследования заключается в применении многозначной логики для анализа ограниченного объема медицинских данных пациентов с целью определения наиболее вероятного диагноза с заданной точностью. Предложенный подход позволяет обнаруживать скрытые закономерности в симптомах и результатах обследований пациентов, классифицировать их и выделять уникальные признаки различных форм гастрита. В отличие от нейронных сетей, логический анализ является прозрачным и не требует обучения на больших объемах данных. Выводы исследования показывают возможность такого подхода для диагностики при нехватке информации, а также предложение альтернатив при не достижении требуемой точности диагноза.

DOI: 10.25136/2644-5522.2017.6.24746

Аннотация: Объектом исследования данной работы является предметная область, представляющая собой прецедентную зависимость между объектами и их характеристиками используемую при решения задач распознавания образов. Интеллектуальный анализ данных является одним из необходимых этапов решения плохо формализованных задач, поэтому во многих случаях от метода построения баз знаний, их анализа и минимизации зависит точность решения поставленной задачи. Разработка общих формальных методов для выявления логических закономерностей в любой заданной предметной области представляется весьма актуальной проблемой, так как предоставляет возможность формирования оптимальных баз знаний, что существенно упрощает решение и улучшает его качество. В данной работе для анализа и минимизации баз знаний используется аппарат дифференцирования булевых функций, который являются направлениями современной дискретной математики и находят свое применение в задачах динамического анализа и синтеза дискретных цифровых структур. Основными результатами проведенного исследования являются построенная логическая функция, анализирующая зависимость между объектами и характеризующими их признаками, представляющая возможность выявить все закономерности данной предметной области; а также метод минимизации баз знаний, полученных на основе логического анализа данных, выявляющий минимальный набор решающих правил, достаточным для решения поставленной задачи.

DOI: 10.7256/2454-0714.2017.3.24050

Аннотация: В статье предлагается метод построения логических операций для анализа и коррекции результатов работы сигма-пи нейронных сетей, предназначенных для решения задач распознавания. Целью работы является выявление логической структуры неявных закономерностей, сформированных в результате обучения нейронной сети. Предлагаемый авторами метод восстанавливает обучающую выборку, опираясь на значения весовых коэффициентов сигма-пи нейрона, проводит анализ связей этой структуры и позволяет обнаружить неявные закономерности, что способствует повышению адаптивных свойств сигма-пи нейрона. Для решения поставленной задачи проводиться логико-алгебраический анализ предметной области в рамках которой происходит обучение сига-пи нейрона, строиться логическая решающая функция, исследуются ее свойства и применимость к коррекции работы нейрона. Широко известно, что комбинированный подход к организации работы алгоритмов распознания повышает их эффективность. Авторы утверждают, что комбинация нейросетевого подхода и применение логических корректоров позволяет в случаи возникновения некорректного ответа указать наиболее близкий по запрашиваемым признакам объект из выборки по которой обучался сигма-пи нейрон. Это существенно повышается качество автоматизированного решения интеллектуальных задач, т.е. обеспечение точности достижения верного решения за счет использования наиболее эффективных систем анализа исходных данных и разработки более точных методов их обработки.